渭河流域洪水演进仿真的研究

以圣维南公式为基础，结合渭河流域的特点，实现洪水过程的直观演进，为防洪指挥决策人员和管理人员提供了雨、水、工情全面的信息支持，在洪水演进方面进行了一些突破性尝试，研究结果对汛期进行防洪抗洪有很大的参考价值。     

基于数据驱动的超短期风电功率预测综述

以数据驱动为主要特征的超短期风功率预测是大规模风电并网运行的关键基础之一。按照预测流程,从数据挖掘、机器学习算法及风速-功率曲线等角度分析现有数据驱动方法的思想及局限性。总结离线数据驱动/深度学习算法和在线应用的预测思路,给出风电场数据筛选的评价手段,归纳深度学习算法的最新研究进展。最后分析超短期风功率预测的当前定位:"由模型驱动向数据驱动过渡,由机器学习算法向深度学习算法转移",并指出合理的算法更迭和深层次的数据融合将是未来的研究趋势。     

典型街区洪水演进的概化水槽试验研究

由于全球气候极端化现象加剧,城市洪涝灾害的强度与频率均呈上升趋势。为充分了解城市洪涝灾害的致灾机理,提出行之有效的减灾措施,有必要对典型城镇街区的洪水演进过程进行研究。本文建立了具有典型街区构造的洪水演进物理模型,模型中布设道路、建筑物、人行道、绿化带等设施。基于试验数据定量分析了建筑物密度、绿化带设置等对洪水演进过程带来的影响。得到主要结论如下:(1)溃坝波在模型道路上的运动速度与初始时刻上游水库的水深及道路本身特性有关,建筑物与城市绿化设施的布置对其影响较小;(2)布置绿化带及建筑物减小了过水面积,导致洪涝灾害发生后道路上的水位上升;但增加房屋密度将减少流入街区两侧的水流体积,布设绿化带将增加房屋周边的水流阻力,促使水流沿模型道路演进;(3)建筑物前水深与初始时刻水库内水深近似成正比,但初始水深较大时水流对建筑物的冲击力将远大于初始水深较小的工况。本试验结果可以为数学模型提供翔实的率定资料,并为面临突发洪涝灾害威胁的街区提供设计参照。     

基于数据驱动和深度学习的超短期风电功率预测

从多源、多维、多模态的风电数据中挖掘风能、风电的因果关联,以及多风电场间的时空关联,是提高风电功率预测精度的有效途径.文中提出了一种基于数据驱动的混合深度学习模型.首先,在数据预处理环节,将风电场满功率输出、风速溢出的场景,视为风电功率预测的异常、故障状态,并提出数据清洗方法以加强风速和风电的相关性.然后,针对气象信息...     

基于卷积神经网络的开关柜故障率预测方法

开关柜设备对于配电网的稳定运行至关重要,评估其在发生不同类型绝缘缺陷情况下的故障概率,可更好地对设备状态及配电系统运行进行安全风险评估,制定合理的状态检修策略。利用配电站开关柜现场带电检测采集的大量局部放电检测数据和故障案例,提出一种基于卷积神经网络深度学习的开关柜设备故障率计算方法。该方法通过设计缺陷分类模块和故障二分类模块,利用多层卷积神经网络实现对每种缺陷类型的故障概率计算。与其他分类模型对比表明,该模型概率计算结果具有较高的准确性。该方法能对开关柜设备缺陷的严重程度和故障概率进行有效评估,在工程上具有较高的实用性。     

基于数据驱动的配电网规划投资决策方法

随着电力系统智能化和互动化的发展,配电网规划要素不断增加,以配电网投资效益机理分析为基础的规划投资决策模型构建越发困难。针对这一问题,提出了一种基于数据驱动的配电网规划投资决策方法。首先结合配电网规划目标及区域情况,构建规划投资指标体系。其次以与效益指标相关的各因素指标为输入,利用深度学习构建配电网投资效益模型,并通过迁移学习解决深度学习难以在小样本情况下有效应用的问题。在上述基础上,将投资效益模型替代配电网规划投资模型中的目标函数,并利用遗传算法对规划投资模型进行求解,获取规划投资方案。最后,通过算例分析验证了该方法的可行性与有效性。     

基于Bayes-LSTM网络的风电出力预测方法

为提高风电出力的预测精度,提出一种基于Bayes优化的长短期记忆人工神经网络(long-short term memory, LSTM)的预测模型。首先,利用经验模态分解对风电历史出力序列进行分解,并对各分量及原始数据分别提取8个统计特征量,与预测前6个时刻出力值共同组成预测特征集。然后,采用绳索算法(least absolute shrinkage and selection operator, LASSO)从预测特征集中提取具有统计意义的特征子集,作为预测模型的输入。最后,提出基于Bayes超参数寻优的LSTM网络优化方法,以提高预测精度。选取湖北某市风电出力历史数据进行预测实验,结果表明：相较于BP神经网络、SVM、RBF网络、GRNN网络等预测模型,所提模型预测精度较高,特征提取方法较为合理。     

基于深度数据感知的工业园区短期负荷预测

结合自动编码器的特征提取能力与长短期记忆(LSTM)良好的时序预测优势,提出一种基于LSTM自编码的短期负荷预测模型.首先,基于深度模型学习能力优势,构建自动编码器的工业园区负荷数据特征提取模型.其次,给出基于格布拉斯准则的异常值判断方法和拉格朗日样条插值的缺失值补全法.最后,利用Tensorflow架构调用Keras...     

基于机器学习的电池剩余使用寿命预测方法综述

电池剩余使用寿命预测是电池管理系统中的关键环节,对于电池的安全运行至关重要。由于电池退化受到诸多因素的影响,剩余寿命预测仍然面临着多方面挑战。近年来,机器学习算法由于强大的非线性学习能力而受到广泛关注,并且逐渐成为剩余使用寿命预测的可靠主流方法。梳理了各类基于机器学习的剩余使用寿命预测算法,分析其优缺点,并总结和展望了未来的改进方向。     

基于天气融合和LSTM网络的分布式光伏短期功率预测方法

分布式光伏发电功率高精度预测对配电网安全稳定运行有重要意义。针对分布式光伏发电设备的功率预测问题,基于天气信息和深度学习方法提出了一种分布式光伏短期功率预测方法。首先将天气进行分类融合,实现训练集的全面覆盖;然后基于长短期记忆网络（long short-term memory,LSTM）深度学习方法构建分布式光伏短期功率预测模型;最后实现分布式光伏功率预测。     

基于洪水预报调度方式的汛限水位设计方法探讨

传统汛限水位设计是基于常规调度方式的,然而现在我国很大一部分水库在运行阶段采用洪水预报调度方式.和常规调度方式相比,洪水预报调度方式的优势是可以提前一个预见期获知水情判别指标.进而水库可提前一个预见期转入高一级泄量,即基于洪水预报调度方式的水库出流过程线可由基于常规调度方式的过程线向前平移一个预见期得到,且前移时需要满足一定的约束条件.这是一种面向对象的思想,利用了传统汛限水位设计方法的结果.而不是过程,基于此.本文提出了约束前移法设计汛限水位.经桓仁一回龙库群实例研究表明,经济效益显著.     

分布式降雨输入与汇流模拟对洪峰计算的影响

3000 km2以下中小流域洪水灾害是当前洪涝灾害防治的薄弱环节,提高洪峰预报精度、降低不确定性是当务之急。论文以伊河河源地区东湾流域为例,基于新安江模型和蒙特卡洛抽样方法,通过集总式、降雨集总–汇流分布式、降雨分布–汇流集总式和降雨分布–汇流分布式4种方式,研究降雨分布式输入与汇流分布式模拟对洪峰精度和不确定性的影响。结果表明：（1）降雨分布式输入总体上能够提高洪峰精度,但对于某些降雨空间分布极端不均的洪水,则会扩大洪峰误差;（2）降雨分布式输入使新安江模型汇流参数相互独立,扩大了洪峰计算的不确定性;（3）汇流分布式模拟总体上能够减小洪峰计算的不确定性。研究结果为中小河流洪水预报提供了有益的参考。     

基于时间卷积网络的模拟电路故障诊断方法

对模拟电路故障诊断中的故障特征提取进行了研究,引入了卷积神经网络模型,提出了一种基于时间卷积神经网络的模拟电路故障诊断方法,在四阶Butterworth低通滤波器电路上分别对不同深度的时间卷积网络进行分类对比实验,实验结果证实了深度时间卷积网络在故障特征提取中的有效性。同时设计实验对比了时间卷积神经网络、SAE-SOFTMAX、深度信念网络和长短期记忆网络的特征提取能力,结果表明,时间卷积神经网络模型在模拟电路故障诊断中能够提取出更能反映数据本质的特征,取得更好的诊断准确率。     

基于改进 Dueling DQN 的多园区网络动态路由算法

针对高度“中心”连接的多园区网络中,负载不均衡造成传输时延长和网络拥塞问题,提出一种基于自适应多采样机制的决斗深度强化网络(adaptive multi-sampling Dueling deep Q-network, AMD-DQN)动态路由优化算法。首先,在网络模型中引入决斗网络(dueling DQN)的思想,同时对多层感知器组成结构进行中心化处理改进,防止高估计价值函数;然后,经验回放机制采用了自适应多采样机制,该机制融合了随机、就近和优先采样方式,根据负载情况进行自适应调整,并根据权值概率随机选取采样模式;最后,利用AMD-DQN网络结构结合强化学习信号和随机梯度下降来训练神经网络,选出每步最大价值动作,直至传输成功。实验结果表明,相比传统的DQN和Dueling DQN算法,AMD-DQN算法平均时延为128.046 ms,吞吐量达到5.726个/s,有效减少了数据包的传输时延,提高了吞吐量,同时从5个方向对拥塞程度进行评价,取得了较好的实验结果,进一步缓解了网络的拥塞。     

基于三段洪水特征的调洪增发电量计算方法

充分应用水电站的调蓄特点可以合理利用洪水增加发电效益,但没有统一有效的洪水增发效益评价方法,为此,根据洪水涨落过程特点,提出一种基于三段洪水特征的调洪增发电量(PGIOFD)的概念与计算方法.根据水位及流量的涨落特征将场次洪水过程划分为涨水段、洪峰段和退水段3个阶段;分别按水位不变、按预想出力、按均匀降库容3种规则对三...     

基于AOMDV路由协议的改进方法

针对移动自组网拓扑高动态变化和节点的繁忙程度导致数据包传输时延和丢包率增加的问题,本文提出了一种改进的AOMDV协议,基于分散路由的思想,减少了主路径切换到备份路径导致的时延抖动以及路由重传导致的丢包,同时加入延时算法,避免了主路径选到繁忙节点导致路径断裂的情况,通过设置不同的节点移动速率进行仿真,对比了AOMDV协议与改进协议的平均时延和丢包率,仿真结果表明改进的路由协议在端到端时延和丢包率指标上都优于AOMDV协议,尤其在节点移动速度超过30m/s时,明显提高了网络传输的性能。     

基于深度学习的三峡水库实时防洪调度模型北大核心CSCD

水库实时调度需要考虑多种约束条件及综合目标,具有较高复杂度。本文以三峡水库实时防洪调度为研究对象,提出一种基于深度学习的水库实时防洪调度模型。研究模拟三峡水库实时调度过程,生成训练样本数据。基于样本数据生成高维张量输入数据,通过网络参数训练提取高维数据特征以学习拟合水库实时调度模式。基于深度卷积神经网络实时调度模型在训练过程中提取闸门数据特征,模型中采用强化学习算法,迭代优化模型参数,随着样本数据不断更新,通过在线学习实现最优调度决策。实例研究表明,水位实时控制和下泄流量实时控制模型模拟的下泄流量与实际数据相对误差分别为1.4%和1.0%左右,该深度学习模型有较好的收敛性,能够应用于水库实时调度。     

多方数据融合的山洪灾害模型应用研究

山洪灾害预测是应急管理工作中的一个重要部分,如何实时、准确得到灾害数据并进行关联分析,是灾害调查中的一个难点.研究了洪涝与地质灾害多方数据的感知与融合,通过结合多方数据融合组件、天-空-地的立体网格体系、数据分析引擎与算法模型、数据同化技术、核心专业模型以及人工智能分析等关键技术,搭建出轻量版山洪、泥石流、山体滑坡大数...     

基于神经网络的星敏支架指向倾角监测方法

针对星敏支架热致变形导致其指向精度降低的问题,提出了一种基于神经网络的指向倾角监测方法。 首先,分析星敏 支架结构特征,搭建星敏支架指向倾角预测系统,采集星敏支架结构形变和倾角变化数据,并对实验数据进行预处理;其次,构 建深度神经网络模型,将星敏支架模型各测量点的应变信息作为输入变量,并使用 Adam 优化算法更新网络参数,经训练迭代 后得到指向倾角预测模型;然后针对传统深度神经网络收敛速度慢、容易产生局部最小值等局限性,使用遗传算法对深度神经 网络的超参数进行优化,以提升神经网络的训练速度;最后使用测试集数据对星敏支架指向倾角变化进行预测,分析该模型在 不同温度条件下对星敏支架指向倾角监测的准确率。 实验结果表明,优化后深度神经网络模型的指向倾角预测方法的平均误 差为 0. 20″,且倾角预测精度明显优于传统算法,证明利用深度学习方法实现星敏支架指向倾角监测具有可行性。     

基于JC法的设计洪水地区组成研究

设计洪水地区组成是水利水电工程规划设计中的一个重要研究课题。本文将结构可靠度计算中的JC法引入,用于上游有水库调节的设计洪水地区组成的分析和计算,并结合典型洪水过程推求了设计断面的洪水过程线。该方法在求解洪水最不利地区组成的同时计算断面设计洪水的风险,不但能较好地考虑水库及区间对下游设计断面洪水的影响,而且弥补了现有方法不能计算设计洪水风险的不足,开辟了一条研究设计洪水地区组成的新途径。